Dynamic Neural Potential Field：移動障害物の存在下におけるオンライン軌道最適化

要旨: 一般化ロボット方策は、家庭、オフィス、倉庫のような日常の人間環境において、安全かつ確実に動作する必要があります。これらの環境では、人や物が予測不能に移動します。そこで本研究では、学習強化型モデル予測制御（MPC）フレームワークであるDynamic Neural Potential Field（NPField-GPT）を提案します。この枠組みは、古典的な最適化と、フットプリントを考慮した反発ポテンシャルを予測するTransformerベースの予測器を結合します。占有サブマップ、ロボットのフットプリント、ならびに（任意の）動的障害物の手がかりを入力として、NPField-GPTモデルは微分可能なポテンシャルのホライズンを予測し、それをL4CasADiを介して逐次二次MPCプログラムへ注入することで、リアルタイムかつ制約を意識した軌道最適化を実現します。さらに、2つのベースラインも検討します。NPField-StaticMLPは、動的なシーンを静的マップの系列として扱う手法です。NPField-DynamicMLPは、将来のポテンシャル系列をMLPと並行して予測する手法です。BenchMRの動的屋内シナリオ、およびオフィスの廊下におけるHusky UGVにおいて、NPField-GPTは運動の変化に対してより効率的で安全な軌道を生成しますが、StaticMLP/DynamicMLPはレイテンシが低いという利点があります。またCIAO*およびMPPIのベースラインとも比較します。全手法を通じて、Transformer+MPCの相乗効果は、データから得られる恩恵の部分だけを学習しつつ、モデルベース計画の透明性と安定性を維持します。学習済みのコードおよびモデルはhttps://github.com/CognitiveAISystems/Dynamic-Neural-Potential-Field で公開されています。